/ Модель

Характеристики

Контекст
512 токенов
Лицензия
Apache 2.0
Архитектура
distilbert · dense
Библиотека
transformers
Опубликована
6 сен 2026

distilbert-scam-detector-india

Классификация текстаТекст → label3 профессии

Дообученная DistilBERT классифицирует англоязычные сообщения как легитимные или мошеннические, уделяя особое внимание схемам, распространённым в Индии.

108скачиваний за 30 дней0лайковвеса обновлены12 сен 2026

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

Публичные оценки

Из открытых лидербордов. Сравнивайте результаты одного теста при одинаковых условиях — отсутствие оценки не значит, что модель хуже.

В подключённых источниках результатов для этой модели пока нет.

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

Модель anmolshrivastav/distilbert-scam-detector-india разработана для бинарной классификации текстовых сообщений: она помечает их как легитимные (ham) или мошеннические/спам (spam). Это дообученная DistilBERT для классификации последовательностей, основанная на distilbert/distilbert-base-uncased-finetuned-sst-2-english. Модель принимает текст на английском языке и рассчитана на сообщения об индийских мошеннических схемах, включая поддельные выигрыши, фишинг Aadhaar/KYC, банковское и UPI-мошенничество, фальшивые вакансии и выманивание OTP. Максимальная длина контекста — 512 токенов.

В README приведены метрики оценки: accuracy 0,9971 и F1 0,9963. Для обучения использовались реальные примеры сообщений из Индии и около 200 синтетических примеров, добавленных для менее представленных категорий. Доступны веса safetensors и динамически квантованный INT8 ONNX-вариант для ускорения инференса на CPU. Модель распространяется по лицензии Apache-2.0.

Модель может хуже работать с Hinglish и мошенническими сообщениями, не содержащими явных сигналов вроде сумм, брендов или призывов к срочному действию. Обучение ориентировано на индийские схемы, поэтому результаты для других регионов и валют могут быть ненадёжны; качество на реальных примерах дополненных синтетическими категориями следует отдельно проверять перед применением.

Сценарии применения

  • фильтрация индийских SMS с признаками мошенничества
  • выявление фишинга Aadhaar и KYC в сообщениях
  • обнаружение попыток банковского и UPI-мошенничества
  • поиск сообщений с выманиванием OTP
  • отсев спама с поддельными выигрышами и вакансиями

Ограничения

Модель ориентирована на индийские схемы и может плохо обобщать на другие регионы и валюты; Hinglish и малозаметные мошеннические сообщения могут снижать точность. Часть примеров редких категорий синтетическая, поэтому качество на реальных сообщениях таких типов требует дополнительной проверки.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Scam/Spam Message Detector — India (DistilBERT, fine-tuned)

Fine-tuned version of distilbert-base-uncased-finetuned-sst-2-english for binary classification of scam/spam vs. legitimate ("ham") text messages, with a focus on Indian scam patterns (lottery fraud, Aadhaar/KYC phishing, UPI/bank fraud, fake job offers, OTP-theft attempts).

Labels

  • 0 / ham: Legitimate message
  • 1 / spam: Scam or spam message

Training Data

  • Base dataset: scam_hum_india.csv, real-world Indian SMS/message samples (telecom promos, government notices, casual messages), deduplicated.
  • Augmented with ~200 additional synthetic examples covering underrepresented scam categories: lottery/prize fraud, Aadhaar/KYC phishing, UPI/bank fraud, fake job offers, and OTP-theft social engineering — added after identifying that the base dataset was skewed toward telecom promotional spam and missed these patterns.
  • Class-weighted loss (sklearn compute_class_weight="balanced") used during training to counter class imbalance (~1521 ham vs ~700 spam originally).

Training Procedure

  • Base model: distilbert-base-uncased-finetuned-sst-2-english
  • Epochs: 3
  • Learning rate: 2e-5
  • Batch size: 16
  • Weighted CrossEntropyLoss via custom Trainer subclass to address class imbalance

Evaluation Results

MetricScore
Accuracy0.9971
F10.9963
Eval Loss0.0206

Limitations

  • Trained primarily on India-specific scam message patterns (Aadhaar, UPI, telecom, lottery in Indian Rupees); may not generalize well to other regions or currencies.
  • English-tokenizer based — code-mixed Hindi/English (Hinglish) text may reduce accuracy.
  • Subtle, low-signal scam messages (no amounts, brand names, or urgency cues) are harder to detect and may be misclassified as legitimate.
  • A portion of spam examples are synthetically generated to patch category gaps; performance on real-world messages of these types should be validated further before production use.

Usage

from transformers import pipeline
clf = pipeline("text-classification", model="anmolshrivastav/distilbert-scam-detector-india")
clf("Congratulations! You've won 50000 rupees, click link to claim")

Quantized ONNX Version

A dynamically quantized (INT8) ONNX version model.onnx is available in the onnx/ subfolder for faster CPU inference with a smaller footprint. Also a onnx/model_fp32.onnx (unquantized ONNX version)

from optimum.onnxruntime import ORTModelForSequenceClassification
from transformers import AutoTokenizer, pipeline

model = ORTModelForSequenceClassification.from_pretrained(
    "anmolshrivastav/distilbert-scam-detector-india", subfolder="onnx"
)
tokenizer = AutoTokenizer.from_pretrained(
    "anmolshrivastav/distilbert-scam-detector-india", subfolder="onnx"
)

clf = pipeline("text-classification", model=model, tokenizer=tokenizer)
clf("Congratulations! You've won 50000 rupees, click link to claim")

Как запустить

На своей GPU в ailist. Цена — по текущим предложениям провайдеров

GPU в ailist

Универсальный рантайм · transformers · text-classification

Можно запустить

Подбираем GPU…

Класс архитектуры
DistilBertForSequenceClassification
Ревизия весов
fafc975

0 моделей